Soutenance mémoire
Sons adventices continus
Les sons adventices continus regroupent les sibilants et les ronchus. Il s’agit de bruits anormaux d ‘une durée supérieure à 250 ms. Ils proviennent de la vibration des parois des voies aériennes étroites (resserrées). Les sibilants sont souvent rencont rés chez les patients ayant une obstruction des voies aériennes, comme pour l’asthme [2J. Selon la normalisation de la terminologie des sons advent ices proposée par l’ILSA (International Lung S ound Association ) et adoptée par l’ATS (Am erican Thoracic So – ciety) , la fréquence dominante du sibilant est supérieure à 400 Hz et celle du ronchus inférieure à 200 Hz. Le tableau 1.1 mont re aussi que leur durée minimale est de 250 ms. Habit uellement, les sibilants et les ronchus sont présents dans la phase expiratoire. P ar cont re, de récentes recherches ont démont ré que les descriptions de ces sons adventices ne sont pas assez précises. Les sibilants sont aussi présents dans la phase d’inspiration .
D’après CORSA ( Computerized R espiratory So und Analysis ), la durée acceptable pour les sons adventices discontinus est de 80 à 100 ms. La fréquence dominante d ‘un sibilant est supérieure à 100 Hz et celle du ronchus est inférieure à 300 Hz [221. Dans ce projet de recherche, la normalisation proposée par CORSA sera utilisée. Les sibilants qui contiennent une seule fréquence s’appellent » monophoniques » et ceux qui contiennent plusieurs fréquences s’appellent » polyphoniques ». Les sibilants peuvent être écoutés au niveau de la bouche, de la t rachée et du sternum. Mais à cause de l’effet atténuateur de la cage t horacique (filt re passe-bas), les sibilants de fréquences élevées pourraient être éliminés [25,26J. P ar conséquent , pour l’analyse des sibilants , les sons respiratoires sont souvent enregistrés au niveau de la t rachée. La figure 1.3 représente deux exemples de sons adventices (sibilant et ronchus) ainsi que leurs spectrogrammes respectifs. La fréquence dominante du sibilant (figure 1.3-a) est supérieure à celle du ronchus (figure 1.3-b) .
Ensemble flou : Dans la théorie des ensembles classiques, un élément appartient ou n’appartient pas à un ensemble. Parfois, cette notion ne permet cependant pas de répondre à des situations simples mais rencontrées fréquemment. En logique floue , la théorie des ensembles flous repose sur la notion d ‘appartenance partielle, les contours de chaque ensemble flou sont « flous » ou « graduels » [47) (voir figure 2.5) . Prenons comme exemple, la définition de la température de l’eau. En logique clas22 sique, l’eau est froide ou chaude. Nous conviendrons par exemple que l’eau est chaude si sa température est supérieure à 40°C, puis l’eau est froide si sa température est inférieure à 40°C. Alors la température de l’eau est divisée en deux intervalles [0°C,40°C[ et [40°C,100°C] . Dans ce cas, 40°C est le point de délimitation entre les deux ensembles, l’eau de 39°C est froide mais celle de 40°C est chaude. La discontinuité de cette définition n’est pas naturelle (voir la figure 2.6-a). En logique floue, l’ensemble est défini par un degré d’appartenance, nous pouvons avoir une délimitation plus douce (graduelle). Si la température était de 80°C, l’eau est chaude absolument, par contre si la température était de 40°C, l’eau n’est ni vraiment chaude ni vraiment froide (voir la figure 2.6-b).
Détection des crépitants
La détection des crépitants sert à les localiser individuellement pour les classifier ensuite. En général, la détection est réalisée à l’aide d ‘un seuil qui permet de distinguer les crépitants du son stationnaire. Plusieurs solutions, traitant cette problématique, ont déjà été proposées dans la littérature : la détection selon la première dérivée du signal [57], la détection selon la « stationnarit é » de la matrice sonagramme [58] et la détection selon le paramètre de la dimension fractale (FD) [41]. Dans notre cas, la problématique de détection des crépitants est rendue plus facile par le filtre de séparation. Nous considérons que le NST-Signal, après débruitage, contient seulement des crépitants. Les crépitants peuvent être faibles ou forts en amplitude, parfois certains d’entre eux apparaissent consécutivement . Le problème est que, si le seuil de détection est surestimé, nous pourrions perdre ces crépitants faibles; par contre, si le seuil est sous-estimé, ces crépitants consécutifs pourraient être mal-détectés et pris pour un seul crépitant. Alors, il est difficile de choisir un seuil universel qui soit approprié dans toutes les situations. Au lieu de prendre un seuil fixe, nous pourrions utiliser un seuil adaptatif relié à l’amplitude du crépitant. Normalement, un crépitant comprend 4 à 10 déflexions positives ou négatives, l’amplitude de chaque déflexion augmente graduellement puis diminue après avoir atteint son sommet. Si on divise un crépitant en deux parties par rapport à son amplitude absolue maximale, l’enveloppe du crépitant serait donc monotone. La méthode proposée [34] pour la détection de crépitants est basée sur cette propriété.
Choix du paramètre de la détection
Le paramètre utilisé pour la détection doit refléter le changement de l’amplitude du crépitant tout en ayant une forme d ‘onde lisse pour éviter les erreurs de jugement . Trois paramètres sont comparés dans cette section : la dimension fractale, l’enveloppe de l’amplit ude absolue et l’enveloppe de l’énergie. Pour comparer la performance de ces paramètres, nous prenons l’exemple illustré à la figure 3.1-a. Cet exemple se compose de 7 crépitants, 3 d’entre eux sont entrelacés (4ième , 5ième et 6ième ) . L’enveloppe de l’amplitude est obtenue par un filtre passe-bas (ayant une fréquence coupure de 20 Hz dans cet exemple) . Ce paramètre est capable de discriminer les trois crépitants entrelacés, mais en même temps plusieurs sous-pics sont présents au milieu de plusieurs crépitants, pouvant causer des fausses détections (voir la figure 3.1-c) . L’enveloppe de l’énergie est calculée par la transformée de Fourier à court terme (STFT) [58] . Le signal filtré S_NSTf[n] est divisé en segments entrelacés avant de lui appliquer la transformée de Fourier. La longueur de la fenêtre est fixée à 12.8 ms avec 99% de chevauchement. Dans chaque segment , l’énergie du signal est affectée au point de la mi-fenêtre (voir la figure 3.1-d). Pour ce qui est des trois crépitants entrelacés, l’envelopp e de l’énergie du signal sépare les deux premiers mais le troisième qui est plus faible est couvert par le deuxième crépitant, donc, ce paramètre n’est pas assez précis pour détecter les crépitants faibles. La détection des crépitants par dimension fractale a été initialement proposée par Hadjileontiadis et Rekanos [41]. Le paramètre FD présente la meilleure performance. L’ensemble des 7 crépitants est clairement séparé (voir la figure 3.1-b). Nous allons introduire la notion de la dimension fractale dans la section suivante avant de présenter l’algorithme de la détection des crépitants.
Caractérisation temp s-fréquence
La caractérisation temps-fréquence est une approche traditionnelle d ‘analyse de signaux respiratoires . Plusieurs mesures dans le domaine du temps ont été proposées pour différentier les deux types de crépitants : la durée de la déflexion initiale (IDW), la durée des deux premiers cycles (2CD), la durée de la déflexion maximale (MDW) , la durée de la déflexion totale (TDW) . Selon la proposition de l’ATS (American Thoracic Society), les durées moyennes de IDW et 2CD du crépitant fin sont respectivement de 0.7 ms et 5 ms , et celles des gros crépitants sont respectivement de 1.5 ms et 10 ms. Les crépitants sont extraits individuellement dans l’étape de détection , mais la frontière du crépitant décidée par la FD est une définition approximative. Il est à noter que la différence d ‘IDW entre les deux types de crépitants est inférieure à 1 ms , une mesure précise des frontières des crépitants est donc nécessaire pour obtenir une classification valide. Malheureusement, le crépitant est souvent distordu par le signal respiratoire, en particulier pour ceux de faible amplitude. Par conséquent, il devient plus difficile de calculer les paramètres IDW et 2CD de façon automatique. Selon l’expérimentation de Hoevers et Loudon [64], une discrimination basée sur la durée de la déflexion maximale pourrait présenter de meilleures performances que celle basée sur le début du crépitant.
Dans ce projet, nous choisissons la durée de la déflexion maximale (MDW) et la durée de la déflexion totale (TDW) comme paramètres de discrimination lors de la classification. La mesure automatique de ces paramètres a été proposée par Vannuccini et al. [57]. Elle se base sur le calcul de la première dérivée du signal en utilisant un filtre FIR de la famille Savitzky- Calay [57]. Cette famille de filtres est de type passe-bas, bien adaptée au lissage et à la différentiation, et dont les propriétés sont définies dans le domaine du temps au lieu du domaine de Fourier [571. Ces filtres sont principalement caractérisés par le nombre de coefficients p, le degré du polynôme k et l’ordre de la dérivée d [57]. Par expérimentation, on a choisi les paramètres p = 9 et k = 2. La MDW est calculée par deux tangentes qui ont la pente maximale; tandis que la TDW est calculée par un seuil K égalant 0.1 fois l’amplit ude maximale du crépitant. En plus des deux paramètres temporels MDW et TDW, nous avons utilisé deux paramètres fréquentiels qui sont la fréquence du pic (PF) et la largeur de la bande gaussienne (GBW), définie par les fréquences correspondantes à l’atténuation de 3 dB de l’amplitude maximale. Le spectre du signal est calculé par la transformée de Fourier. La figure 3.6 représente un exemple de crépitant et les différents paramètres des domaines temps et fréquence.
|
Table des matières
RÉSUMÉ
LISTE DES FIGURES
LISTE DES TABLEAUX
LISTE DES ABRÉVIATIONS
CHAPITRE 1 DÉFINITIONS ET CLASSIFICATION DES SONS RESPIRATOIRES
1.1 Nomenclature et classification des sons respiratoires
1. 1.1 Sons normaux
1. 1. 2 Sons adventices cont inus
1.1.3 Sons adventices discontinus
1. 2 Base de données ut ilisée
1.3 P roblématique de recherche
1.4 Objectifs
1.4. 1 Analyse des crépitants
1.4.2 Analyse des sibilants
CHAPITRE II EXTRACTION DES CRÉPITANTS DES SONS VÉSICULAIRES
2. 1 Principe de séparation stationnaire et non-stationnaire des sons respiratoires
2.2 Extraction des crépitants par fil tre non-linéaire.
2.2. 1 Filtre prédictif
2.2.2 Filtre de séparation non-linéaire ST-NST
2.3 Extraction des crépitants par logique floue
2.3. 1 Concept de base de la logique floue
2.3.2 Système d ‘inférence floue (FIS)
2.3.3 Système d ‘inférence floue à base d’un réseau adaptatif (ANFIS)
2.3.4 Filtre de séparation basé sur la logique floue GFST-NST
2.4 Extraction des crépitants par la transformée en ondelettes
2.4.1 ilansformée en ondelettes
2.4.2 Analyse multirésolution
2.4.3 Filtre de séparation basé sur la transformée en ondelettes WTST-NST
2.5 Extraction des crépitants par les paquets d’ondelettes
2.5. 1 Transformée par paquets d’ondelettes
2.5.2 Recherche de la meilleure base
2.5.3 Filtre de séparation basé sur les paquets en ondelettes WPST- NST
CHAPITRE III IDENTIFICATION DES CRÉPITANTS
3.1 Principe
3.2 Filtre de débruitage .
3.3 Détection des crépitants
3.3. 1 Choix du paramètre de la détection
3.3.2 Notion de la dimension fractale
3.3.3 Détection par le paramètre » Dimension Fractale »
3.4 Classification des crépitants
3.4.1 Caractérisation temps-fréquence
3.4.2 Modèle de Prony
3.4.3 ilansformée en ondelettes continue
CHAPITRE IV DÉTECTION DES SIBILANTS
4.1 Principe
4.2 Calcul du spectrogramme
4.3 Détection des sibilants par le Laplacien d’une gaussiènne
4.3 .1 Laplacien d’une gaussienne (LoG)
4.3.2 Détection des sibilants par filtre LoG
4.4 Détection des sibilants par modélisation auditive.
4.4.1 Système auditif
4.4.2 Description de l’algorithme (FDDT)
4.5 Détecteur d’épisodes des sibilants (WED)
4.6 Représentation des sibilants par » Chirplets »
4.6.1 Transformée par » Chirplets »
4.6.2 Représentation des sibilants par » Chirplets »
CHAPITRE V RÉSULTATS EXPÉRIMENTAUX
5. 1 Préparation de la base de données.
5.2 Critères d ‘évaluation
5.2 .1 Taux de séparation
5.2.2 Rapport signal-sur-bruit (SNR)
5.2 .3 Sensitivité et valeur prédictive positive
5.2.4 Performance de la classification
5.3 Résultats de la séparation des crépitants
5.4 Résultats de la détection des crépitants
5.5 Résultats de la classification des crépitants
5.6 Résultat de l’extraction des sibilants
CONCLUSION
BIBLIOGRAHIE
Télécharger le rapport complet
